XiaoMi-AI文件搜索系统
World File Search System成像
tauvid™：第一个用于成像阿尔茨海默氏病tau病理学的FDA批准的宠物示踪剂
摘要 - 专门的深度学习（DL）加速器和神经形态处理器的出现为将深度和尖峰神经网络（SNN）算法应用于医疗保健和生物医学应用的新企业带来了新的机会。这可以促进医学互联网系统（IoT）系统和护理点（POC）设备的进步。在本文中，我们提供了一个教程，描述了如何使用各种技术，包括新兴的回忆设备，可编程的门阵列（FPGA）和互补的金属氧化物半导体（CMOS），可用于开发有效的DL加速器，以解决各种诊断诊断，模式识别的诊断，信号过程和信号过程中的各种问题。此外，我们探讨了尖峰神经形态处理器如何补充其DL对应物以处理生物医学信号。该教程通过应用于医疗保健领域的大量神经网络和神经形态硬件的大量文献进行了研究。我们通过执行将传感器融合信号处理任务与计算机视觉相结合的传感器融合信号处理任务来标记各种硬件平台。在推理潜伏期和能量方面进行了专用神经形态处理器和嵌入AI加速器的比较。最后，我们对领域的分析进行了分析，并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势，缺点，挑战和机遇的观点。
用于自然光未校准光度立体成像
自然光未校准光度立体 (NaUPS) 减轻了传统未校准光度立体 (UPS) 方法中严格的环境和光线假设。然而，由于内在的不适定性和高维模糊性，解决 NaUPS 仍然是一个悬而未决的问题。现有工作对环境光和物体材质施加了强有力的假设，限制了更一般场景中的有效性。或者，一些方法利用复杂模型的监督学习，但缺乏可解释性，导致估计有偏差。在这项工作中，我们提出了自旋光未校准光度立体 (Spin-UP)，这是一种无监督方法，用于解决各种环境光和物体中的 NaUPS。所提出的方法使用一种新颖的设置，在可旋转的平台上捕获物体的图像，通过减少未知数来减轻 NaUPS 的不适定性，并提供可靠的先验来缓解 NaUPS 的模糊性。利用神经逆向渲染和所提出的训练策略，Spin-UP 可以以较低的计算成本恢复复杂自然光下的表面法线、环境光和各向同性反射率。实验表明，Spin-UP 优于其他监督/无监督 NaUPS 方法，并在合成和真实世界数据集上实现了最先进的性能。代码和数据可在 https://github.com/LMozart/CVPR2024-SpinUP 获得。
从检测到消除：基于铁的纳米材料驱动肿瘤成像和晚期疗法
基于铁的纳米材料（INM），由于其特殊的磁性，出色的生物相容性和功能，已在肿瘤诊断和治疗中已发展为强大的工具。我们在此处概述了诸如氧化铁纳米颗粒，元素掺杂纳米复合材料和铁基有机框架（MOFS）等INM如何显示多功能性，以改善肿瘤成像和治疗。在成像方面，INM提高了磁共振成像（MRI）和光声成像（PAI）等技术的灵敏度和准确性，并支持多模式成像平台的开发。关于治疗，INM在高级策略中起着关键作用，例如免疫疗法，磁性高温和协同组合疗法，这些疗法有效地克服了肿瘤诱导的耐药性并降低全身毒性。INM与人工智能（AI）和放射线学的整合进一步扩展了其精确肿瘤识别，治疗优化和扩增治疗监测的能力。INM现在将材料科学与先进的计算和临床创新联系起来，以实现下一代癌症诊断和治疗学。
使用高密度微电极阵列对脑器官进行功能成像
研究已提供证据表明，人类脑类器官 (hCO) 重现了早期大脑发育的基本里程碑，但关于其功能和电生理特性的许多重要问题仍然存在。高密度微电极阵列 (HD-MEA) 是一种有吸引力的分析平台，可用于在细胞和网络规模上进行神经元网络的功能研究。在这里，我们使用 HD-MEA 从切片 hCO 中获取大规模电生理记录。我们记录了几周内 hCO 切片的活动，并从药理学角度探究观察到的神经元动态。此外，我们还展示了如何对获得的记录进行尖峰分类并随后进行跨尺度研究的结果。例如，我们展示了如何在 HD-MEA 上跟踪几天内的单个神经元以及如何推断轴突动作电位速度。我们还从 hCO 记录中推断出假定的功能连接。引入的方法将有助于更好地理解脑类器官中正在发育的神经元网络，并为它们的功能表征提供新方法。
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
用于脑血流成像的 FACED 提升术
活细胞需要能量，有些细胞比其他细胞需要更多能量。有些细胞的代谢率在几秒钟内从最小变为最大，而有些细胞则是无底洞，需要无节制地持续供应能量。能量底物和氧气的供应以及代谢废物的清除是通过复杂的血管网络来维持的，富含葡萄糖的血浆和充满氧气的红细胞 (RBC) 就是通过血管网络运输的。能量代谢的变化是诊断和监测组织疾病的常用指标，这一事实进一步强调了深入了解能量供应的重要性。大脑也不例外，但它有许多特殊功能和未解之谜。能量需求大约比身体每体积的平均能量需求高出一个数量级。最重要的是，由于大脑的能量储存能力有限，因此必须持续供应氧气和葡萄糖。供应中断几分钟就会对脑细胞造成不可逆转的损害。因此，大脑使用复杂的调节系统来控制其能量供应，该系统涉及壁细胞以及神经元和神经胶质细胞。更清楚地了解单个血管和整个脉管系统水平的血流变化对于揭示这个相互关联的系统如何协调其适应性至关重要。在 PNAS 中，Meng 等人 (1) 介绍了一种强大的超快速方法来改善微血管网络中脑血流的体内测量，这将大大提高双光子显微镜在量化微血管灌注方面的适用性。尽管自 19 世纪末以来我们就知道大脑会局部调节血流以满足局部能量需求的增加 (2, 3)，但潜在的血液动力学过程以及细胞间和细胞内的信号通路仍然很大程度上未被发现（有关最近的综述，请参阅参考文献 4 和 5）。并且，在当前背景下需要强调的是，允许以高空间和时间分辨率测量血流的方法有限，但它们对于产生对血液调节微血管方面的新见解至关重要。由于其重要性，研究人员不断开发和应用各种方法来测量脑血流。这些方法基于不同的模式，例如放射性标记扩散化合物、氢扩散和微电极技术、磁共振成像、光谱、光学相干断层扫描、激光散斑成像，以及最近的聚焦超声和光声成像。其中一些方法已达到黄金标准地位，而其他方法则从地图上消失了。1998 年，Kleinfeld 等人 (6) 引入双光子显微镜来追踪单个红细胞。在接受静脉注射荧光葡聚糖以染色血浆的麻醉小鼠中，通过毛细血管短段的千赫兹线扫描来量化位移
以腰椎穿刺为金标准的增强Flair磁共振成像对脑膜炎的诊断准确性
2019 年 6 月 23 日至 2020 年 3 月 22 日，在 Wah Cantt 第三医院接受脑膜炎检查。材料和方法：通过非概率目的抽样，共纳入 173 名患者。我们的研究纳入了年龄在 2 至 70 岁之间、性别不限且根据临床表现疑似患有脑膜炎的患者。本研究排除了禁用增强 MRI 和腰椎穿刺的患者、确诊为脑膜炎的患者和不同意接受检查的患者。所有患者均以 0.2 毫升/秒的速度接受静脉注射造影剂钆。钆后 T1W 和钆后 FLAIR 图像由顾问放射科医生获取和评估。将发现记录在规定的表格上。对患者进行随访并从实验室收集腰椎穿刺结果。结果：平均年龄为 26.4±23.5 岁，范围从 2 岁至 70 岁。 173 名患者中，98 名（56.6%）为男性，75 名（43.4%）为女性。临床表现如下：喂养不良、易怒和嗜睡 86 人（49.7%），头痛 137 人（79.2%），恶心/呕吐 125 人（72.3%），颈部僵硬 89 人（51.4%），意识水平改变 132 人（76.3%），癫痫发作 78 人（45.1%）和局部神经功能障碍 45 人（26%）。以腰椎穿刺金标准为诊断标准，增强 MRI FLAIR 诊断脑膜炎的灵敏度为 91%，特异性为 85%，PPV 为 87.6%，NPV 为 89.4%，诊断准确率为 88.4%。以腰椎穿刺金标准为标准，增强 MRI T1W 在脑膜炎诊断中的诊断准确率显示敏感性 60.2%、特异性 77.5%、PPV 75.6%、NPV 62.6% 和诊断准确率 68.2%。结论：与增强 T1W 序列相比，增强 FLAIR 序列在检测脑膜增强方面具有更高的敏感性和特异性。因此，对于所有怀疑患有脑膜炎的患者，应将增强 FLAIR 序列作为常规序列添加到 MRI 脑部方案中。
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得
论人工智能在 COVID-19 医学成像中的作用
1 IBM 欧洲研究中心，瑞士苏黎世 2 苏黎世联邦理工学院生物系统科学与工程系，瑞士苏黎世 3 IBM 阿尔马登研究中心，美国加利福尼亚州圣何塞 4 视觉放射学，美国德克萨斯州达拉斯 5 犹他大学健康科学中心放射学和影像科学系，美国犹他州盐湖城 6 塞顿医学中心放射学系，美国加利福尼亚州戴利城 7 阿苏塔医学中心放射学系，以色列特拉维夫 8 本·古里安大学医学院，以色列贝尔谢巴 9 耶路撒冷希伯来大学医学院哈达萨-希伯来大学医学中心放射学系，以色列耶路撒冷 10 盖伊和圣托马斯 NHS 基金会皇家布罗姆普顿和哈里菲尔德医院，英国伦敦 11 切尔西和威斯敏斯特医院，英国伦敦 12 伦敦帝国理工学院国家心肺研究所，英国伦敦 13 布鲁内尔大学健康、医学与生命科学学院伦敦，英国伦敦 14 IBM 海法研究中心，以色列海法 15 耶路撒冷希伯来大学医学院，以色列耶路撒冷 *通信地址：jab@zurich.ibm.com (JB)，beymer@us.ibm.com (DB) https://doi.org/10.1016/j.patter.2021.100269